PENERAPAN MODEL KLASIFIKASI NAÏVE BAYES UNTUK PREDIKSI MAHASISWA TEPAT WAKTU

M Riski Qisthiano

Abstract


Banyak teknik pengukuran dalam prediksi mahasiswa tepat waktu, kriteria yang digunakan mulai dari jurusan, jenis kelas dan nilai semester mahasiswa yang merupakan salah satu penentu bagaimana mahasiswa bisa lulus tepat waktu atau tidak di akhir pendidikannya. Maka dibutuhkan suatu model untuk melakukan prediksi tingkat kelulusan mahasiswa tepat waktu, dengan menggunakan data alumni yang datanya didapat dari beberapa Perguruan Tinggi di Kota Palembang. Model yang digunakan ini menggunakan algoritma Naïve Bayes yang berfungsi sebagai salah satu model untuk melakukan klasifikasi. Dataset yang digunakan adalah data alumni yang sudah dikumpulkan dari beberapa Perguruan Tinggi, sedangkan kriteria dan attribut yang digunakan adalah jurusan, Perguruan Tinggi setiap mahasiswa, jenis kelas pilihan dan nilai setiap semester mahasiswa yang diambil dari semester 1 sampai dengan 4, tahun lulus setiap mahasiswa, dan angkatan pada saat mahasiswa masuk. Lalu dari attribut dan model yang digunakan, peneliti menggunakan alat bantu utnuk mengelola data yaitu Rapidminer untuk melakukan pemrosesan dataset yang sudah disiapkan. Selanjutnya penguji menggunakan 5 kali uji validasi dengan membagi dataset kedalam training dan testing. Hasil penelitian ini merupakan akurasi dari model prediksi yang dilakukan, yang dimana hasil akurasi yang didapat dari alat bantu Rapidminer dan algoritma Naïve Bayes adalah 0.8264.

Full Text:

PDF

References


Dillak, R. Y., Pangestuty, D. M., & Bintiri, M. G. (2012). Klasifikasi Jenis Musik Berdasarkan File Audio Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization. Seminar Nasional Informatika, 2012(semnasIF), 122–125.

Mirza, A. H. (2019). Application of Naïve Bayes Classifier Algorithm in Determining New Student Admission Promotion Strategies. Journal of Information Systems and Informatics, 1(1), 14–28. https://doi.org/10.33557/journalisi.v1i1.2

Muhamad, H., Prasojo, C. A., Sugianto, N. A., Surtiningsih, L., & Cholissodin, I. (2017). Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 4(September), 180–184.

Olson, D. L., & Delen, D. (2008). Advanced Data Mining Techniques. Springer.

Purnamasari, E., Rini, D. P., & Sukemi. (2019). The Combination of Naïve Bayes and Particle Swarm Optimization Methods of Student’s Graduation Prediction. Jurnal Ilmiah Teknik Elektro Komputer Dan Informatika (JITEKI), 5(2). https://doi.org/10.26555/jiteki.v5i2.15317

Rohmawan, E. P. (2018). Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Desicion Treedan Artificial Neural Network. Jurnal Ilmiah MATRIK, 20(1), 21–30.

Sari, Y. R., Sudewa, A., Lestari, D. A., & Jaya, T. I. (2020). Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer. CESS (Journal of Computer Engineering, System and Science), 5(2), 192. https://doi.org/10.24114/cess.v5i2.18519

Sutoyo, E., & Almaarif, A. (2020). Educational Data Mining untuk Prediksi Kelulusan Mahasiswa Menggunakan Algoritme Naïve Bayes Classifier. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(1), 95–101. https://doi.org/10.29207/RESTI.V4I1.1502

Syarli, S., & Muin, A. A. (2018). Metode Naïve Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi). Jurnal Ilmu Komputer, 2(1), 22–26. https://fikom-unasman.ac.id/ejournal/index.php/jikom/article/view/26/17

Yahya, N., & Jananto, A. (2019). Komparasi Kinerja Algoritma C.45 Dan Naïve Bayes Untuk Prediksi Kegiatan Penerimaan Mahasiswa Baru. Prosiding SENDI, 2014, 978–979. https://www.unisbank.ac.id/ojs/index.php/sendi_u/article/view/7389/2369




DOI: https://doi.org/10.30998/semnasristek.v7i1.6266

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: